شکل ذیل الگویی از یک واحد پردازش شبکه عصبی با توجه به نحوه کارکرد یک نرون، ارائه میدهد. همانگونه که مشاهده میگردد، اکسون را میتوان به خروجی، وزن را به شدت بار و ورودی ها را به دندریت تشبیه نمود.

بنابراین اجزای یک شبکه عصبی عبارتند از:

v ورودی ‏ها:

ورودی‏ها که بابردار X نشان داده شده‏اند میتوانند خروجی سایر لایه‏ها بوده و با آنکه به حالت خام در اولین لایه و به صورت‏های ذیل باشد:

الف – داده‏های عددی و رقمی

ب) متون ادبی، فنی و …

ج) تصویر و یا شکل

مثال : در تصمیم‏گیری اعطای وام ورودی‏ بردار X می‏تواند شامل سه متغیر: سطح درآمد، سن و میزان اعتبار متقاضی باشد.

v بردار وزن

میزان تاثیر ورودی xi بر خروجی y توسط مشخصه وزن اندازه‏گیری می‏شود. به طور مثال به هنگام اعطای وام اهمیت و تاثیر درآمد متقاضی و یا سن وی توسط مولفه وزن آنها بر اتخاذ تصمیم برآورد می‏شود. Wi ها قابل تنظیم بوده و براساس تابع تبدیل و نوع الگوریتم یادگیری ( که در ادامه به توضیح آنها پرداخته شده است.) تعیین می‏شوند.

v تابع جمع

در شبکه‏های تک نرونی ، تابع جمع در واقع خروجی مسئله را تا حدودی مشخص می‏کنند و در شبکه‏های چند نرونی نیز تابع جمع میزان سطح فعالیت نرون j در لایه‏های درونی را مشخص می‏سازد.

v تابع تبدبل

بدیهی است که تابع جمع پاسخ مورد انتظار شبکه نیست، به طور مثال به هنگام اعطای وام تابع جمع یک عدد خواهد شد که باید به پاسخ بلی یا خیر بیان گردد و یا آنکه ارتباط بین سطح داخلی شبکه و جواب لزومآ خطی نیست و می‏تواند به شکل غیر خطی باشد. بنابراین تابع تبدیل عصوی ضروری در شبکه‏های عصبی محسوب می‏گردد. انواع و اقسام متفاوتی از توابع تبدیل وجود دارد که بنا به ماهیت مسئله کاربرد دارند برخی از آنها عبارتند از:

توابع تبدیل در شبکه‏های عصبی چند لایه (در ذیل توضیح داده خواهدشد) می‏توانند منحصر به فرد بوده و با یکدیگر متفاوت باشند.

v خروجی

منظور از خروجی، پاسخ مسئله است.